一种基于人工智能的信号灯控制方法技术

本发明专利技术公开了一种基于人工智能的信号灯控制方法，涉及交通控制技术领域；包括如下步骤：数据采集，使用交通监控摄像头获取实时的交通数据，包括车辆数量、车速、道路状况等，数据处理，对数据进行分析和处理，得出当前的交通情况，决策制定，根据当前的交通情况，制定智能的信号灯控制策略，控制执行，将制定的信号灯控制策略实施到信号灯系统中，自动控制信号灯的开关时间，数据采集后。本发明专利技术通过对车辆图像获取，然后进行车辆单元特征提取、地面引导线提取，以此来计算车辆密度，再通过相同或者相斥的车辆动作实现对交通信号灯的绿灯持续时间控制，从而实现车辆引导，可缓解车辆拥堵情况。堵情况。堵情况。

【技术实现步骤摘要】
一种基于人工智能的信号灯控制方法


[0001]本专利技术涉及交通控制
，尤其涉及一种基于人工智能的信号灯控制方法。

技术介绍

[0002]随着汽车工业的崛起，造车技术上升，造车成本下降，从而使得车辆销售价格下降，再随着人们生活水平的提高，家用车的保有量越来越多。
[0003]随着车辆保有量的增加，虽然道路不断扩展，但是堵车情况也屡见不鲜，所以，如何通过对交通信号灯进行控制，按照汽车通行密度调节交通信号灯时间，是急需解决的一件问题。
[0004]经检索，中国专利公开号为CN 107452212 B的专利，公开了路口信号灯控制方法及其系统，包括：经过图像处理后，获取每一幅图像的像素数，以做最小二乘线性拟合获得估计结果；所述最小二乘线性拟合为：假设在二维坐标图上，已知数据点(xk，yk)，多项式拟合函数的表达式为把数据值与通过拟合函数表达式计算出的axk+b之间的误差称为残差，即：残差|ek|的值表示的是点(xk，yk)偏离直线的程度。
[0005]上述专利存在以下不足：其基于图像对行人数量估计，实现对交通信号灯的控制，但是无法对于交通岔路口的车辆进行估计控制，从而无法解决甚至会加剧堵车问题的严重性。
[0006]为此，本专利技术提出一种基于人工智能的信号灯控制方法。

技术实现思路

[0007]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种基于人工智能的信号灯控制方法。
[0008]为了实现上述目的，本专利技术采用了如下技术方案：
[0009]一种基于人工智能的信号灯控制方法，包括以下步骤：
[0010]S1：数据采集，使用交通监控摄像头获取实时的交通数据，包括车辆数量、车速、道路状况等；
[0011]S2：数据处理，对数据进行分析和处理，得出当前的交通情况；
[0012]S3：决策制定，根据当前的交通情况，制定智能的信号灯控制策略；
[0013]S4：控制执行，将制定的信号灯控制策略实施到信号灯系统中，自动控制信号灯的开关时间。
[0014]优选地：所述S1步骤中，数据采集后，交通图像和车辆的识别和分类采用基于卷积神经网络实现，具体包括以下步骤：
[0015]S11：数据集准备，首先需要准备一个包含不同类型交通图像的数据集；这个数据集包括不同类型的交通标志、交通信号灯以及车辆，并将这些图像标记为CNN可识别的标志；
[0016]S12：数据预处理，在进行CNN训练之前，对数据进行预处理；
[0017]S13：CNN模型设计，设计一个CNN模型，包括卷积层、池化层、全连接层，在卷积层中，CNN将提取图像的特征，在全连接层中，CNN会对特征进行分类；
[0018]S14：CNN训练，将准备好的数据集输入到CNN模型中进行训练，在训练过程中，CNN将会学习如何自动地提取特征和分类不同类型的交通图像；
[0019]S15：模型评估和优化：在训练完成后，根据训练结果的准确率和精度对模型进行评估，并且通过调整CNN模型的参数和结构，提高了训练结果的准确率和精度；
[0020]S16：模型应用，训练好的CNN模型可以被用来识别和分类新的交通图像。当输入一个新的交通图像时，CNN将会自动地提取特征并分类，从而实现交通图像的自动识别和分类。
[0021]优选地：所述S12步骤中，数据预处理包括图像的缩放、旋转、裁剪和对比度调节。
[0022]优选地：所述S2步骤中，交通情况(交通流量)预测的方法采用基于循环神经网络(RNN)实现，具体包括以下步骤：
[0023]S21：数据收集，对S1步骤中获取的交通图像和车辆的信息以及环境信息获取；
[0024]S22：数据预处理，对数据进行预处理，以便于后续训练和预测；
[0025]S23：划分数据集，将数据集划分问训练集和测试集，所述训练集与测试集的划分比例为70
‑
90：10
‑
30；
[0026]S24：构建RNN模型，根据数据集特点，选择RNN模型，并定义模型的参数和超参数；
[0027]S25：训练模型，使用训练集对模型进行训练，通过反向传播算法和梯度下降算法来优化模型参数；
[0028]S26：预测流量，使用测试集对模型进行预测，计算预测值和真实值之间的误差，测试参数类型包括方差、均差和误差；
[0029]S27：预测未来流量使用训练好的模型对未来的交通流量进行预测，可以通过增加时间步长来预测更长的时间区间。
[0030]优选地：所述S22步骤中，数据预处理包括数据清洗、去燥、归一化。
[0031]优选地：所述S24步骤中，构建的RNN模型采用LSTM模型或者GRU模型。
[0032]优选地：所述LSTM模型的构建方法包括以下步骤：
[0033]A1：定义模型结构：LSTM模型由多个LSTM层和一个全连接层组成，在Keras中，可以使用LSTM函数来定义LSTM层；
[0034]A2：设置超参数，设置LSTM层的神经元数量、学习率、损失函数；
[0035]A3：编译模型，使用compile函数编译模型，指定优化器、损失函数和评估指标；
[0036]A4：训练模型，使用fit函数对模型进行训练，设置训练集、批次大小、训练轮数。
[0037]优选地：所述GRU模型的构建方法包括以下步骤：
[0038]B1：定义模型结构：GRU模型由多个GRU层和一个全连接层组成，在Keras中，可以使用GRU函数来定义GRU层；
[0039]B2：设置超参数，设置GRU层的神经元数量、学习率、损失函数；
[0040]B3：编译模型，使用compile函数编译模型，指定优化器、损失函数和评估指标；
[0041]B4：训练模型，使用fit函数对模型进行训练，设置训练集、批次大小、训练轮数。
[0042]优选地：所述S3步骤中，决策控制方法包括以下步骤：
[0043]S31：将路口东
→
E、南
→
S、西
→
W、北
→
N四个道路方向分别标记；
[0044]S31：将每个路口的指引方向按照直行、左转、右转进行二级标记，分别为
[0045]S32：对车辆动作进行联动分类，其分别为相同类和相斥类，其中相同类为时间控制相同，但是道路引导不同，，相斥类为时间不同，但是道路引导相同。
[0046]S32：设置车流量阈值，当相同类中其一或者均大于阈值时，延长信号灯绿灯时间，当相斥类中的主动方或者被动方超过阈值时，延长该方向信号灯绿灯持续时间，当相斥类中的主动方超过阈值时，主动方和被动方均延长信号灯绿灯持续时间。
[0047]本专利技术的有益效果为：
[0048]1.本专利技术通过对车辆图像获取，然后进行车辆单元特征提取、地面引导线提取，以此来计算车辆密度，再通过相同或者相斥的车辆动作实现对交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的信号灯控制方法，其特征在于，包括以下步骤：S1：数据采集，使用交通监控摄像头获取实时的交通数据，包括车辆数量、车速、道路状况等；S2：数据处理，对数据进行分析和处理，得出当前的交通情况；S3：决策制定，根据当前的交通情况，制定智能的信号灯控制策略；S4：控制执行，将制定的信号灯控制策略实施到信号灯系统中，自动控制信号灯的开关时间。2.根据权利要求1所述的一种基于人工智能的信号灯控制方法，其特征在于，所述S1步骤中，数据采集后，交通图像和车辆的识别和分类采用基于卷积神经网络实现，具体包括以下步骤：S11：数据集准备，首先需要准备一个包含不同类型交通图像的数据集；这个数据集包括不同类型的交通标志、交通信号灯以及车辆，并将这些图像标记为CNN可识别的标志；S12：数据预处理，在进行CNN训练之前，对数据进行预处理；S13：CNN模型设计，设计一个CNN模型，包括卷积层、池化层、全连接层，在卷积层中，CNN将提取图像的特征，在全连接层中，CNN会对特征进行分类；S14：CNN训练，将准备好的数据集输入到CNN模型中进行训练，在训练过程中，CNN将会学习如何自动地提取特征和分类不同类型的交通图像；S15：模型评估和优化：在训练完成后，根据训练结果的准确率和精度对模型进行评估，并且通过调整CNN模型的参数和结构，提高了训练结果的准确率和精度；S16：模型应用，训练好的CNN模型可以被用来识别和分类新的交通图像。当输入一个新的交通图像时，CNN将会自动地提取特征并分类，从而实现交通图像的自动识别和分类。3.根据权利要求2所述的一种基于人工智能的信号灯控制方法，其特征在于，所述S12步骤中，数据预处理包括图像的缩放、旋转、裁剪和对比度调节。4.根据权利要求1所述的一种基于人工智能的信号灯控制方法，其特征在于，所述S2步骤中，交通情况(交通流量)预测的方法采用基于循环神经网络(RNN)实现。5.根据权利要求4所述的一种基于人工智能的信号灯控制方法，其特征在于，所述基于循环神经网络预测交通情况的方法包括以下步骤：S21：数据收集，对S1步骤中获取的交通图像和车辆的信息以及环境信息获取；S22：数据预处理，对数据进行预处理，以便于后续训练和预测；S23：划分数据集，将数据集划分问训练集和测试集，所述训练集与测试集的划分比例为70
‑
90：10
‑
30；S24：构建RNN模型，根据数据集特点，选择RNN模型，并定义模型的参数和超参数；S25：训练模型，使用训练集对模型进行训...

【专利技术属性】
技术研发人员：李彦红，
申请(专利权)人：李彦红，
类型：发明
国别省市：